Analítica predictiva: del «qué pasó» al «qué pasará» (y qué hacer)

01Los cuatro niveles de la analítica

El marco más útil para situarse, popularizado por Gartner, distingue cuatro tipos de analítica, en orden creciente de valor y de dificultad:

1. Descriptiva: ¿qué pasó? Informes y dashboards que resumen el pasado. Es la base, imprescindible, pero mira hacia atrás. La inmensa mayoría de las empresas viven aquí.
2. Diagnóstica: ¿por qué pasó? Análisis que explican las causas: por qué cayeron las ventas en una región, qué segmento impulsó el crecimiento. Añade comprensión al dato.
3. Predictiva: ¿qué pasará? Modelos que anticipan resultados futuros: qué cliente se irá, qué lead convertirá, cuánta demanda habrá. Aquí empieza el valor diferencial.
4. Prescriptiva: ¿qué deberíamos hacer? El nivel más alto: no solo predice, sino que recomienda la mejor acción ante esa predicción. Es donde el dato se convierte directamente en decisión.

La clave de este marco no es memorizarlo, sino reconocer en qué peldaño está tu empresa. La mayoría se sorprende al descubrir que, pese a tener muchos dashboards, vive enteramente en el nivel descriptivo: sabe mucho de su pasado y nada de su futuro.

02Qué hace falta para subir de escalón

Existe la idea errónea de que pasar de la analítica descriptiva a la predictiva es una cuestión de comprar la herramienta adecuada o contratar a un científico de datos. La tecnología es la parte fácil. Lo que de verdad hace falta es más prosaico y más difícil:

• Datos históricos limpios. Un modelo predictivo aprende del pasado para anticipar el futuro. Sin un histórico de calidad y suficiente, no hay predicción posible, por bueno que sea el algoritmo.
• Una pregunta de negocio clara. «Queremos hacer analítica predictiva» no es un objetivo; «queremos anticipar qué clientes se darán de baja el próximo trimestre para retenerlos» sí. La pregunta define el modelo, no al revés.
• Capacidad de actuar. De nada sirve predecir si la organización no puede o no quiere hacer nada con la predicción. La capa prescriptiva exige procesos que conviertan la anticipación en acción.

03Casos de uso que mueven la aguja

La analítica predictiva no es un fin en sí misma; vale por lo que permite decidir. Los casos de uso con mayor retorno en marketing y ventas son reconocibles:

• Predicción de fuga (churn): anticipar qué clientes están a punto de irse para retenerlos a tiempo.
• Lead scoring y propensión: predecir qué contactos convertirán o qué clientes comprarán más, para priorizar el esfuerzo comercial.
• Previsión de demanda: anticipar volúmenes para planificar stock, equipo y tesorería.
• Valor de vida del cliente (LTV): estimar cuánto valdrá un cliente para decidir cuánto invertir en captarlo y retenerlo.
• Mantenimiento predictivo: en contextos industriales, anticipar fallos antes de que ocurran.

Fíjate en que todos comparten una estructura: una predicción que alimenta una decisión concreta. Esa es la forma de la analítica predictiva útil. La que se queda en «hemos construido un modelo que predice X» sin el «y por eso hacemos Y» es un ejercicio técnico, no un proyecto de negocio.

Una predicción sin una acción asociada es solo un número que mira al futuro. El valor no está en saber qué pasará, sino en hacer algo distinto por saberlo.

04El salto a la analítica prescriptiva

El cuarto nivel, el prescriptivo, es donde menos empresas llegan y donde más valor se concentra. La diferencia es sutil pero decisiva: la analítica predictiva te dice que un cliente tiene un 80% de probabilidad de irse; la prescriptiva te dice, además, qué acción concreta, qué oferta, qué canal, qué momento, maximiza la probabilidad de retenerlo. Conecta la predicción con la mejor respuesta, a menudo de forma automatizada.

Llegar ahí no exige necesariamente una tecnología radicalmente distinta, sino integrar la predicción en el flujo de decisión: que el score de fuga dispare automáticamente el protocolo de retención adecuado, que la propensión active la siguiente mejor acción. Es el último kilómetro de la analítica, y es el que transforma un modelo en una ventaja competitiva real.

05Cómo empezar sin estrellarte

1. Elige una pregunta de negocio concreta con resultado medible, no «implantar analítica predictiva».
2. Comprueba que tienes el histórico de calidad que el modelo necesita; si no, ese es tu primer proyecto.
3. Empieza por un caso acotado, un equipo, un segmento, donde puedas medir el impacto en semanas o meses.
4. Diseña la acción desde el principio: qué harás con la predicción. Si no hay respuesta, no construyas el modelo todavía.
5. Mide contra un grupo de control para demostrar que la predicción mejoró la decisión, y escala desde ahí.

06Cómo encaja Funneld

Buena parte de la analítica predictiva aplicada a marketing y ventas, scoring, propensión, intención, previsión, es precisamente lo que el motor de Funneld industrializa. En lugar de montar tú la infraestructura, los modelos y los pipelines, consumes el resultado: leads priorizados por probabilidad de conversión, señales de intención en tiempo real, propensión de tu base a comprar más. Y, crucialmente, esos modelos llegan conectados a una acción, a quién contactar, cuándo y por qué, que es lo que los lleva del nivel predictivo al prescriptivo. La analítica predictiva deja de ser un proyecto que tienes que construir y se convierte en una capacidad que ya usas.

07Fuentes y lecturas

1. Gartner, los cuatro tipos de analítica (descriptiva, diagnóstica, predictiva, prescriptiva)
2. Davenport, T., «Competing on Analytics» (Harvard Business Review)
3. IBM, qué es la analítica predictiva
4. MIT Sloan Management Review, de la predicción a la decisión

08Preguntas frecuentes